资料下载
基于多粒度粗糙集模型的属性间距离的构造方法
分享资料个
粗糙集理论阻是由波兰学者PaWlak于1982年提出的一种能够有效处理不精确和不确定信息的数学工具，目前，由于它在神经网络、数据挖掘、决策分析、机器学习和知识发现等领域心有着广泛的运用，使得研究逐渐趋热。粗糙集理论是建立在分类机制的基础上，通过等价关系将知识空间进行划分。其主要思想是保持分类能力不变的前提下，通过上、下近似去刻画知识不确定性程度，并且通过知识约简、规则提取去挖掘数据中潜在的信息，粗糙集理论最大的特点就是不需要数据集之外的任何先验信息，因此对于不确定信息进行分析处理还是比较客观的。近年来，为了从多粒度、多层次的角度去处理和分析问题，Qian等提出了多粒度粗糙集模型，其主要思想是将属性集构建成一组属性子集序列，通过这一系列属性子集来对论域进行划分，构成了多粒度的论域空间，然后在多粒度论域空间中对目标概念进行近似逼近。随后，一些学者在Qian等基础上对多粒度粗糙集做了许多扩展和改进。但是在多粒度粗糙集模型的研究中，对于如何构建一个较好的属性子集序列，目前并没有给出一个很好的方法。
本文针对多粒度粗糙集模型中关于属性子集序列的构建问题，提出一种较好的杓建方法，其主要思想是引入统计学中关于变量间的相似系数来刻画属性间的距离，通过属性间距离的远近来对属性进行区分归类，进而构建一组属性子集序列。由于目前的多粒度粗糙集模型中分为基于等价关系的多粒度粗糙集模型和邻域多粒度粗糙集模型，因此本文分别定义了符号型属性间的距离和数值型属性间的距离。最后通过实验分析，验证了本文构建的属性子集序列具有更好的近似效果。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
- 相关下载
- 相关文章
